Veri Ambarı Projelerinde ETL Performansını Etkileyen Faktörlerin Belirlenmesi
Bibliographic record
Abstract
Bilgi, özel bir amaca ulaşmak için verinin çeşitli analiz, dönüşüm ve gruplama işlemlerinden geçirilerek, daha sonra kullanılmak üzere yöneticiler için hazır ve faydalı bir hale getirilmiş şeklidir. Veri ambarı, farklı kaynaklarda tanımlanmış verilerin, belirli aralıklarla aktarılarak standart bir format ile tek bir ortamda tutulduğu ortamdır. Veri ambarının güncel olması oldukça önemlidir. Veri ambarının güncelliği ise ETL süreci ile sağlanmaktadır. ETL; Çıkar(Extract), Dönüştür(Transform) ve Yükle(Load) kelimelerinin baş harflerinden oluşmaktadır. Kullanılacak verinin dış kaynaklardan çıkarılması, verinin iş süreçlerine göre birleştirilmesi, dönüştürülmesi ve veri ambarına yüklenmesi sürecidir. Bu sürecin başlangıç faaliyetlerinden biri en uygun ETL yazılımının seçimidir. Bu çalışmada Veriambarı oluşturulmasında ETL yazılım aracı seçimini etkileyen ISO 25010 standardında yer alan faktörlerin ağırlıklandırılması ve yazılım araçları arasında AHP yöntemi ile karar verilmesi amaçlanmaktadır.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.007 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.006 | 0.005 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.023 | 0.013 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".